[論文レビュー] Modern applications of machine learning in quantum sciences

Anna Dawid, Julian Arnold+27 more|arXiv (Cornell University)|Apr 8, 2022

Quantum Computing Algorithms and Architecture被引用数 68

ひとこと要約

機械学習手法が量子科学全般に適用される方法の包括的な概観で、深層学習、カーネル法、微分可能なプログラミングなどを含み、位相分類、状態表現、量子回路最適化などのタスクに適用される。本書は、生成モデルや量子文脈における統計的アプローチなどの専門トピックも扱う。

ABSTRACT

In this book, we provide a comprehensive introduction to the most recent advances in the application of machine learning methods in quantum sciences. We cover the use of deep learning and kernel methods in supervised, unsupervised, and reinforcement learning algorithms for phase classification, representation of many-body quantum states, quantum feedback control, and quantum circuits optimization. Moreover, we introduce and discuss more specialized topics such as differentiable programming, generative models, statistical approach to machine learning, and quantum machine learning.

研究の動機と目的

• 機械学習を量子科学へ適用する最新の進展を紹介する。
• 量子問題における教師あり、教師なし、強化学習技術を調査する。
• 多体系量子状態の表現と量子回路の最適化について論じる。
• 微分可能プログラミング、生成モデル、量子文脈における統計的機械学習アプローチなどの専門トピックを強調する。

提案手法

• 量子科学におけるMLの現在の文献と手法の調査と総合。
• 学習パラダイム（教師あり・教師なし・強化学習）と応用によるML手法の分類。
• MLを用いた量子状態の表現と量子回路の最適化の議論。
• 量子MLにおける微分可能プログラミングと生成モデリングなどの高度なトピックの説明。

実験結果

リサーチクエスチョン

• RQ1 量子系における位相分類と状態表現に最も効果的なMLアプローチは何か？
• RQ2 ML手法は量子フィードバック制御と回路最適化にどのように活用できるか？
• RQ3 微分可能プログラミングと生成モデルは量子機械学習においてどのような役割を果たすか？
• RQ4 量子文脈におけるMLを支える統計的視点と方法論は何か？

主な発見

• 本書は複数のMLパラダイムに跨る量子科学へのML応用の最新進展をまとめている。
• 位相分類、状態表現、量子フィードバック制御、回路最適化をML技術で扱う。
• 微分可能プログラミング、生成モデル、および統計的アプローチなどの専門トピックが量子MLの文脈で論じられている。
• 生成モデルと微分可能プログラミングは量子ML研究の有望な方向性として提示されている。
• 本作は量子科学におけるMLに入る研究者の総合的な参照資料として機能する。